생성된 타이틀 카드에는 'Tencent Hy4 vs Kimi K3.1 Pro'가 표시되어 있으며, 두 개의 통계 열이 있습니다. Hy4는 Intelligence Index 34.6, 총 770B 및 활성 49B 파라미터, 백만 토큰당 $0.834/$2.501이고, Kimi K3.1 Pro는 46.5, 총 2.8T 및 활성 104B, $2.00/$10.00입니다. 푸터에는 '지수는 Artificial Analysis v5.0.1 기준, 2026년 11월 20일 확인; 두 모델 모두 가중치 공개.'가 표시되어 있습니다.
Guides & Insights

Hy4 vs Kimi K3.1 Pro: 둘 다 다운로드 가능, 하나는 자체 호스팅 가능

작성자

Alistair Wren

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

Kimi K3.1 Pro는 Artificial Analysis Intelligence Index에서 46.5점을 기록합니다. Tencent Hy4는 34.6점입니다. 이는 12점 차이이며, 이번 주 Hy4가 어떤 맞대결에서든 기록하는 가장 큰 격차입니다. Qwen4-Max와의 격차보다 크고, Grok 4.7와의 격차보다 10배 이상 큽니다. 순위표에서 Kimi K3.1 Pro는 등재된 오픈 웨이트 모델 중 최고이며, 해당 클래스 32개 중 1위입니다.

이제 두 모델의 무게를 살펴보자. Kimi K3.1 Pro는 토큰당 활성 파라미터가 1,040억 개인 2.78조 파라미터 모델이다. Tencent Hy4는 총 7,740억 개에 활성 490억 개다. 둘 다 다운로드 가능한 가중치로 공개됐다. Kimi는 2026년 11월 2일, Hy4는 11월 18일로, 3주 차이다. 그중 하나만이 일반 기업이 보유한 머신에 들어가며, 이 단 하나의 사실이 전체 비교의 구도를 바꾼다. 이것은 어느 모델이 더 똑똑한가에 대한 이야기가 아니다. 실제로 실행할 수 있는 모델이 무엇인지, 그리고 더 똑똑한 모델을 대신 임대해 쓸 경우 완료된 작업당 비용이 얼마인지에 대한 이야기다.

이것을 결정하는 유일한 기준

최소 배포 가능 풋프린트, 공급업체 자체 권장 정밀도 기준:

• T​encent Hy4 — BF16 기준 7,740억 개 파라미터로, 약 12.9GB와 6.4GB 크기의 샤드 245개로 공개되었으며, 양자화 전 기준 약 1.45TB입니다. T​encent 자체 서빙 레시피는 FP8 빌드에서 단일 노드 분량의 GPU에 텐서 병렬화 8을 사용하며, 이는 약 786GB의 가중치입니다.

• Kimi K3.1 Pro — 2.78조 개 파라미터, 배포된 그대로의 저장소에 있는 U8 양자화 가중치가 2.72TB이며, BF16 텐서가 추가로 57GB를 차지합니다. 이 모델을 주말 프로젝트로 만들 수 있는 단일 노드 구성은 없습니다.

두 벤더 모두 서빙을 다루기 쉽게 만드는 소프트웨어를 제공하며, 이 점에서 둘 다 유별나게 뛰어나다. Tencent는 텐서 병렬 및 추측 디코딩 플래그를 명시한 vLLM 이미지 태그(vllm/vllm-openai:hy4)와 SGLang 이미지(lmsysorg/sglang:hy4)를 공개한다; Kimi의 저장소는 compressed-tensors MXFP4 구성과 가중치 파일을 위의 2.72 TB 수치까지 줄이는 4비트 경로를 제공한다. 이들 중 어느 것도 소형 모델 이야기가 아니다. 차이는 8-GPU 노드는 대부분의 엔지니어링 조직이 승인할 수 있는 구매인 반면, 2.8조 파라미터 배포는 데이터센터 결정이라는 점이다.

셀프 호스팅이 오픈 웨이트에 관심을 갖게 된 이유였다면, 그 한 줄이 곧 모든 논거이며 벤치마크에 좌우되지 않습니다.

Generated two-column scoreboard comparing Tencent Hy4 and Kimi K3.1 Pro across six dimensions: Intelligence Index 34.6 versus 46.5, total parameters 770B versus 2.8T, active parameters 49B versus 104B, price $0.834/$2.501 versus $2.00/$10.00 per million tokens, Terminal-Bench 4.0 37.4% versus 67.2%, and cost per index task $1.03 versus $3.68, with a footer reading 'Index figures per Artificial Analysis v5.0.1; parameter counts from vendor model cards.'

열두 점이 있는 곳

12포인트 지수 격차는 일률적으로 들린다. 하지만 그렇지 않다 — Hy4는 여러 평가에서 제 몫을 해내지만, 한 평가에서는 완전히 무너진다.

• 에이전틱 코딩, Terminal-Bench 4.0 — Kimi K3.1 Pro 67.2%, T​encent Hy4 37.4%. 30포인트 격차이며, 인덱스 차이에 가장 크게 기여한 단일 요인입니다.

• 터미널에서의 에이전트 과학, Terminal-Bench-Science — K​imi 34.3%, Hy4 12.9%.

• 실제 리포지토리에서의 소프트웨어 엔지니어링, FrontierCode-AA 2.0 — Hy4 31.4%, K​imi 25.5%. Hy4가 여기서 6포인트 차이로 더 나은 모델이며, 터미널 에이전트의 실제 리포지토리 작업이 T​encent에 유리하게 나타난 유일한 평가입니다.

• 고난도 추론, HLE-Diamond — K​imi 37.3%, Hy4 32.7%. 헤드라인만 보면 짐작되는 것보다 격차가 작다.

• 물리학, CritPt v2 하드 하위 집합 — K​imi 49.5%, Hy4 39.0%.

• SaaS 워크플로 실행, AutomationBench-AA — K​imi 73.3%, Hy4 65.6%.

• 에이전트형 지식 노동, AA-Briefcase Elo — Kimi 1,673.6, Hy4 1,445.9. 겹치지 않는 구간의 228 Elo 격차.

FrontierCode 결과는 잠시 멈춰 볼 만한데, 다른 여섯 개의 명백한 해석과 모순되기 때문입니다. 실제 오픈소스 저장소를 변경하는 벤치마크에서는 Hy4가 앞섭니다. 깨끗한 터미널 환경 벤치마크에서는 K​imi가 30점 차로 앞섭니다. T​encent의 모델 카드는 그 이유를 설명합니다: Hy4는 T​encent 자체의 게임 및 프런트엔드 파이프라인—Unreal, Unity, Godot, UI 상태 관리—에 특화해 훈련되었고, Hy4 preview 대비 내부 GameDev 제품군에서 19.1% 향상을 보고합니다. 그것은 무언가를 만드는 데 튜닝된 모델을, 그것을 수리하는 테스트로 평가한 것입니다. 두 행을 모두 고려하면 정직한 결론은 코딩 이야기가 워크로드에 따라 달라진다는 것이지, 한 모델이 코딩을 더 잘한다는 것이 아닙니다.

Screenshot of the Artificial Analysis page for Tencent Hy4, captured 20 November 2026, showing its Intelligence, Performance, Cost and Verbosity rank tiles, 93 tokens per second output, 14.0 minutes per task, a 118.9-second time to first token and a 1M-token context window, with the header still labelling the model proprietary.

완료된 작업당 3.6배 더 낮은 가격

여기서 비교는 논쟁이 아니라 산수 문제가 됩니다. Artificial Analysis는 두 모델 모두에 대해 Intelligence Index 작업당 측정된 비용을 보고하며, 여기에는 토큰 가격, 추론 길이, 캐시 동작이 포함됩니다:

• Tencent Hy4 — 작업당 $1.03, 백만 토큰당 입력 $0.834 및 출력 $2.501, 95% 캐시 할인 적용 시 $0.042.

• Kimi K3.1 Pro — 작업당 $3.68, 백만 토큰당 입력 $2.00 및 출력 $10.00, 90% 캐시 할인 적용 시 $0.20.

따라서 12포인트 지수 격차는 작업당 3.6배의 비용이 듭니다. 지수 포인트당 Kimi의 가격은 대략 4.4배입니다. 이는 스캔들이 아닙니다 — 어려운 에이전틱 작업에서 진정으로 더 뛰어난 모델은 더 비싼 게 당연합니다 — 하지만 결정을 새롭게 바라보게 합니다. 워크로드에 Terminal-Bench 67%가 필요하다면 대체재가 없으므로 비용을 지불해야 합니다. 워크로드에 37%가 필요하다면 나머지 30포인트를 위해 3.5배를 지불하는 것은 사용하지 않을 역량에 돈을 쓰는 것입니다.

작업당 수치가 숨기는 2차적 비용이 있습니다. K​imi는 인덱스 작업당 39.7분으로 Hy4의 14.0분보다 오래 걸리고, 첫 답변 토큰을 162.8초 후에 반환해 115.9초인 Hy4보다 늦습니다. 출력 속도가 초당 30토큰으로 Hy4의 초당 93토큰인 상황에서, 이 비교에서 가장 느린 모델이 세 배나 느리면서 동시에 가장 비쌉니다. 수백 단계를 실행하는 에이전트 루프에서는 지연 시간과 비용이 상쇄 관계가 아니라 함께 누적됩니다.

서로 다른 두 가지 함정이 있는 두 개의 라이선스

두 모델 모두 다운로드하여 사용할 수 있다는 점에서 오픈 웨이트입니다. 어느 쪽도 Apache 2.0이 아니며, 두 모델의 상업 조항 간 차이는 학술적인 문제가 아닙니다:

• Tencent Hy4 — Tencent Hy License 1.0은 Apache 2.0에서 파생되었습니다. 제10조에 따르면, 전 세계 총매출이 12개월 기간 중 어느 한 기간에 5,000만 달러를 초과하거나, 이를 탑재한 제품의 월간 활성 사용자 수가 1억 명을 초과하는 경우 모델을 서비스로 제공하기 전에 별도의 서면 계약이 필요합니다. 내부 사용은 예외로 합니다.

• Kimi K3.1 Pro — Kimi K3.1-Pro 라이선스. 제한의 형태는 동일하지만, 매출 기준이 5,000만 달러가 아닌 2,000만 달러입니다.

두 곳 모두 모델이 범용 모델 접근으로 노출되지 않고 특정 기능에 내장된 최종 사용자 제품은 예외로 둡니다. 두 곳 모두 제3자 모델 서비스로 단순 중계하는 것은 허용합니다. 쉽게 말해, 어느 모델이든 그 위에 기능을 만드는 작은 제품 팀은 괜찮습니다. 어느 모델로든 추론 사업을 운영하는 회사는 전화 상담이 필요하며, Kimi의 경우 그 전화 상담은 수익의 절반도 안 되는 규모에서 필요해집니다.

완전성을 위해 덧붙이자면, 이전 세대는 예외입니다. 2026년 8월 28일에 출시된 Hy4 프리뷰는 상업적 기준이 전혀 없는 Apache 2.0이었습니다. 프리뷰 라이선스에 기반해 구축한 뒤 이제 Hy4로 옮기는 사람은 다른 조건으로 옮기는 것입니다.

아직 선택하지 않고 둘 다 실행 중

이 비교를 서면으로 확정할 필요가 없는 이유는 두 모델 모두 하나의 엔드포인트에서 이용할 수 있기 때문입니다—공급자의 자체 요금이 그대로 전달되는: tencent/hy4는 백만 토큰당 $0.834 및 $2.501, kimi/kimi-k3.1-pro는 $2.00 및 $10.00이며 캐시 읽기는 $0.20입니다. 이는 위의 수치이며 마크업이 붙지 않았고, 공급업체의 가격 변경은 갱신 시점이 아니라 같은 날 여기에 반영됩니다.

능력과 비용 면에서 이렇게 격차가 큰 쌍에서는 유용한 패턴은 분할이 아니라 상한선입니다. 라우팅 DSL을 통해 kimi/kimi-k3.1-pro로 라우팅하고, tencent/hy4를 자동 페일오버 대상으로 설정한 뒤, 페일오버가 얼마나 자주 발동하는지 지켜보세요. 드물게 발동한다면, 당신은 Kimi의 능력에 비용을 지불하고 그 능력을 얻고 있는 것입니다. Kimi의 지연 시간 때문에 끊임없이 발동한다면, 당신은 방금 벤치마크 표가 알려줄 수 없는 무언가를, Kimi의 가격이 아니라 Hy4의 가격으로 발견한 것입니다. 모델 융합은 또 다른 선택지입니다: 두 모델로 구성한 패널은 두 모델이 수렴하는 평가에서 더 강한 모델의 추론이 더 약한 모델의 더 저렴한 토큰 예산을 떠받치게 할 수 있습니다.

Screenshot of the OrcaRouter model page for Kimi K3.1 Pro, captured 20 November 2026, showing the kimi/kimi-k3.1-pro endpoint with a 1,048,576-token context window, 943,718-token maximum output, text, image and video input, reasoning effort from none to max, a 143-second median time to first token and $2.00/$10.00 per million tokens.

이 답변을 바꾸려면 무엇이 필요할까요?

가능성이 높은 순서대로 세 가지입니다. 첫째, Hy4 파인튜닝입니다. 가중치는 이틀 전부터 공개되어 있었고, Terminal-Bench의 30점 격차는 기업 자체의 터미널 트레이스에 대한 표적형 파인튜닝이 정확히 깎아내는 종류의 마진입니다. 둘째, 인덱스가 사용하는 기본 최대치보다 더 높은 추론 강도로 Kimi K3.1 Pro를 독립 평가하는 것입니다. 모델 기록에 있는 943,718토큰 출력 상한은 결과를 공개한 누구도 아직 시험하지 않았습니다. 셋째, 에이전트형 학습을 계승하면서 가격은 4분의 1인 Hy4 Flash급 형제 모델로, 이는 K​imi에 반대하는 비용 논거를 더욱 답하기 어렵게 만들 것입니다.

그중 하나가 실제로 출시되기 전까지는 이 구분이 깔끔하다. Kimi K3.1 Pro는 더 나은 모델이자 더 비싼 모델이며, 그 격차는 토큰당, 작업당, 인덱스 포인트당으로 측정하든 유지된다. Tencent Hy4는 자체 하드웨어에 올릴 수 있는 쪽으로, 라이선스 기준은 두 배 더 관대하고 가격은 3분의 1로 더 낮다. 그 어느 것도 다른 쪽을 아쉬워할 이유가 되지 않는다.

이 글에서 비교한 모델2

이 글에서 자동 인식 · 벤치마크: Artificial Analysis · 매일 업데이트